Perplexity: Decider V1.1 27B

Decider V1.1 27B ialah checkpoint keputusan Perplexity yang dikemas kini. Ia menilai kandungan yang diberikan berdasarkan soalan yang ditakrifkan dan menghasilkan kebarangkalian bagi jawapan yang sah. Artifak natifnya mempunyai komponen pembacaan keputusan, bukannya kepala penjanaan bahasa merentas seluruh perbendaharaan kata. Hasil berguna ialah taburan keputusan terhad dan jawapan yang ditafsirkan daripadanya, bukan penjelasan terbuka atau respons sembang umum.

Perubahan dalam edisi V1.1

Perplexity mengenal pasti model ini sebagai kemas kini Decider V1 27B yang mengekalkan seni bina asas yang sama, dengan perubahan pada tetapan perhatian dan lebih banyak data latihan. Seni bina asasnya ialah Qwen3.8-27B. Edisi V1.1 perlu mengekalkan nama dan konfigurasinya sendiri, bukannya diterangkan sebagai salinan checkpoint terdahulu yang boleh saling ditukar ganti.

Keadaan, soalan dan jawapan yang sah

Contoh yang diterbitkan menyediakan baris yang mengandungi keadaan dan soalan pilihan dengan jenis yang ditetapkan. Soalan itu merangkumi arahan dan kriteria dengan kunci yang menjadi jawapan semantik serta penerangan yang mentakrifkan bila setiap satunya terpakai. Model meramalkan kebarangkalian, kemudian fungsi pembantu jawapan pengeluar mentafsir kebarangkalian tersebut untuk soalan itu. Contoh inferens boleh memproses senarai baris, dengan satu keputusan terikat pada bukti dan soalan setiap baris.

Untuk penghalaan permintaan, berikan mesej sebenar dan konteks berkaitan, kemudian takrifkan jabatan atau kategori yang tersedia. Contoh tugas boleh membezakan kegagalan integrasi, masalah akses dan permintaan maklumat produk. Jadikan setiap penerangan cukup tepat untuk memutuskan kes berhampiran sempadan, dan simpan takrif pilihan bersama hasilnya. Taburan kategori kemudian boleh menyokong keputusan penghalaan atau langkah semakan apabila alternatif masih hampir sama. Hasil yang dipilih model tidak dengan sendirinya melaksanakan tindakan aliran kerja.

Bukti teks dan imej

Pelaksanaan natif menerima imej bersama keadaan dan soalan, melalui input fail imej, imej dalam memori atau data imej terenkod. Untuk imej dokumen atau tangkapan skrin, berikan bukti visual dan ajukan soalan tertutup dengan pilihan yang menerangkan hasil berkaitan. Kenal pasti ciri kelihatan yang penting dan sediakan konteks teks yang diperlukan untuk mentafsirkannya. Contohnya, kelaskan sama ada item dalam gambar tergolong dalam salah satu kategori produk yang diberikan, bukannya meminta model keputusan menulis penerangan produk lengkap.

Pemproses mengekalkan nisbah aspek semasa mengubah saiz dan membulatkan panjang sisi imej kepada gandaan 32 piksel. Luas imej diproses yang didokumenkan bermula pada 65,536 piksel dan dihadkan oleh maksimum boleh konfigurasi; nilai lalainya ialah 4,194,304 piksel, atau 2048 kali 2048. Setiap tampalan 32 kali 32 menyumbang satu token visual, maka nilai lalai itu membenarkan sehingga 4,096 token visual bagi satu imej. Angka ini menerangkan penyediaan imej natif pengeluar, bukan kontrak muat naik aplikasi umum.

Had input gabungan dan skop resolusi

Langkah prepare yang didokumenkan menghendaki teks dan semua imej dalam satu keputusan muat dalam 8,192 token. Input terlalu besar ditolak dan bukannya dipotong secara senyap. Beberapa imej berkongsi peruntukan itu dengan keadaan dan soalan bertulis. Kurangkan teks sumber yang tidak berkaitan atau had saiz imej ketika menyediakan keputusan gabungan, sambil mengekalkan perincian yang menentukan jawapan.

Tetapan latihan dan penilaian yang dilaporkan mengehadkan imej kepada 512 kali 512, bersamaan 262,144 piksel dan sehingga 256 token visual. Had inferens boleh konfigurasi boleh mengekalkan lebih banyak perincian, tetapi kad model memberi amaran bahawa resolusi lebih tinggi berada di luar taburan latihan itu serta menggunakan lebih banyak memori dan masa pemprosesan. Oleh itu, tetapan imej lebih besar bukan jaminan keputusan lebih baik. Pastikan penyediaan input selaras dengan soalan dan periksa sama ada ciri visual yang diperlukan diwakili dengan jelas.

Perhatian, pembacaan keputusan dan kalibrasi kebarangkalian

Lapisan perhatian penuh checkpoint natif menggunakan mod perhatian bukan kausal yang disimpan, manakala lapisan perhatian linearnya mengekalkan tingkah laku sendiri. Pembuat menyatakan bahawa inferens kausal lalai tidak menghasilkan semula tetapan yang dinilai. Pelaksanaan ramalannya menggunakan suhu kalibrasi yang disimpan; jika logit digunakan secara langsung, suhu itu digunakan sekali dan kebarangkalian dinormalkan merentas calon sah semasa. Perincian ini khusus untuk profil keputusan tepat tersebut dan perlu dikekalkan ketika mentafsir output berangkanya.

Komponen pembacaan keputusan yang berasingan juga membezakan artifak ini daripada eksport generatif. Penukaran kepada antara muka penjanaan berasaskan perbendaharaan kata memerlukan pemetaan jelas dan mesti mengekalkan tingkah laku perhatian. Sediakan soalan tertutup untuk profil keputusan natif; gunakan model penjanaan yang sesuai apabila tugas memerlukan sembang, kod, penjelasan atau permintaan alat.

Artifak akhir yang berguna mengekalkan perkaitan antara keadaan, soalan, jawapan yang dibenarkan dan taburan hasil. Takrifkan soalan berdasarkan bukti yang benar-benar ada, semak kes kabur berdasarkan bukti itu dan gunakan contoh berlabel daripada tugas sasaran untuk menentukan cara output berangka patut mempengaruhi penghalaan atau pengelasan. Model membekalkan kebarangkalian keputusan; kriteria dan aplikasi di sekelilingnya menentukan bagaimana kebarangkalian itu menjadi tindakan berguna atau label yang direkodkan.